基于子句抽取的文本摘要自动提取算法

TextRank算法及SWTextRank等改进算法在抽取式摘要生成中得到了广泛的应用,但它们都没有有效地解决抽取式摘要所存在的冗余性问题。为此,提出一种基于子句抽取的文本摘要自动提取算法(PTextRank)。首先,使用Sinica Treebank(STB)对每个句子进行语法标记,进而基于子句设置抽取单元;接着,使用BERT(Bidirectional Encoder Representation from Transformers)构建标题和每个子句的特征向量,并计算子句特征向量间的相似性,将其存放在相似度矩阵中;最后结合子句位置、子句与标题的相似度等调整子句相似度矩阵,迭代计算直至收敛,进而选取得分最高的子句作为最终摘要。实验分析表明,PTextRank算法有效地避免了多个句子中存在的冗余信息,且相比于TextRank和SWTextRank,PTextRank生成摘要的准确率至少提高6%,同时生成的摘要质量更好。

基于外部存档更新及截断的NSGA-Ⅱ改进算法

传统的NSGA-Ⅱ(Non-dominated Sorting Genetic AlgorithmⅡ)算法使用拥挤度作为精英选择的第二指标,该方法在处理高维多目标优化问题时,常常由于选择压力不足,以及不同目标间优化冲突加剧等原因,很难维持种群收敛性和多样性的平衡。针对上述问题,提出一种基于外部存档更新及截断机制的NSGA-Ⅱ改进算法NSGA-Ⅱ-UTEA(NSGA-Ⅱalgorithm based on Update and Truncation of External Archive)。该算法首先在精英选择中引入基于权重向量分解的外部存档机制,然后根据个体与所在权重向量及超平面距离之和更新外部存档,并基于个体间角度计算实现外部存档截断,进一步提升了算法在高维多目标优化问题中种群的收敛性和多样性。与NSGA-Ⅱ、NSGA-Ⅲ、MOEA/D(Multi-Objective Evolutionary Algorithm based on Decomposition)、NSGA-Ⅱ-ARSBX(NSGA-Ⅱwith Adaptive Rotation based Simulated Binary crossover)和RPD-NSGA-Ⅱ(Reference Point Dominance-based NSGA-Ⅱ)这5种先进的进化算法的对比实验结果表明,NSGA-Ⅱ-UTEA算法在10目标以上的高维DTLZ(Deb Thiele Laumanns Zitzler)和WFG(Walking Fish Group)系列测试函数上,各项性能指标整体优于其他算法,在解集的分布性和多样性方面具有显著优势。特别是在大部分高维WFG4~WFG7凹问题上都能取得最佳的性能指标值。与传统的NSGA-Ⅱ算法相比,NSGA-Ⅱ-UTEA算法在10目标以上的高维DTLZ系列测试函数上,反世代距离(IGD)性能平均提升了50.6%;在15目标以上的高维WFG系列测试函数上,超体积(HV)性能平均提升了60.7%。实验结果验证了NSGA-Ⅱ-UTEA算法改进的有效性。

基于自适应动量更新策略的Adams算法

Adam算法是目前最常用的优化算法之一,但其面临学习率震荡导致模型不收敛问题,其改进算法AMSGrad也存在梯度递减导致的二阶动量失效问题。针对上述问题,提出了基于自适应动量更新策略的Adams算法。首先,通过为一阶动量和二阶动量引入自适应更新参数,并在最后的参数更新期间采用较小的一阶动量更新参数,构建了一种自适应的动量更新策略。其次,基于该更新策略,提出了一种能够快速收敛的Adams算法。最后,通过理论分析证明了Adams算法的收敛性。基于文本分类和图像分类的对比实验表明,相比于Adam和AMSGrad算法,Adams收敛速度更快、训练结果更好,且具有优秀的泛化能力;消融实验证明了Adams算法自适应动量更新策略的有效性。

SOME/IP车载以太网服务协议的关键技术与性能分析

首先对SOME/IP协议服务发现(SD)模块和传输协议(TP)模块中客户端与服务端的通信行为与关键技术特性进行了详细分析;然后在Arm Linux环境下基于C++和CommonAPI构建了面向服务的车载应用开发通信架构,并在该架构下结合不同负载规格对SOME/IP服务协议的一致性、可靠性和可扩展性进行了详细测试。实验结果表明,SOME/IP协议面向服务的通信方式具备高可用性,能够有效提高整车的数据通信效率,降低车载应用软件开发的复杂性。

基于同步更新外部归档集的NSGA-Ⅱ改进算法

NSGA-Ⅱ在执行拥挤系数计算时不考虑父子代种群各自独立的个体分布情况,使某些在全局空间中分布优秀的个体被淘汰。针对NSGA-Ⅱ收敛结果的较差分布性,提出了改进算法(UEA-NSGA-Ⅱ),在迭代过程中随机填充一定量子代种群的非支配个体到外部归档集内,使用拥挤系数算子用于归档集的剪枝操作。同时,针对二进制编码存在陷入局部最优的问题,采用格雷码和动态变异算子增强算法在解空间上搜索速度与宽度。在ZDT系列问题上执行测试,并与两种典型算法和三种NSGA-Ⅱ改进算法对比,结果表明UEA-NSGA-Ⅱ在算法的稳定性与优化效果方面均优于所对比的算法。

基于最小松弛量的启发式一维装箱算法

一维装箱问题是组合优化中的NP难问题,在有限的时间内获得问题的精确解非常困难。启发式算法和遗传算法是解决装箱问题的两类主要方法,但是,采用经典启发式装箱算法得到的结果在极端情况下非常差,而遗传算法在解决装箱问题的过程中容易出现无效解,致使需要处理的数据量十分巨大。为了获得装箱问题的近似最优解,文中针对目前的装箱问题算法展开分析,提出了一种新型的启发式装箱算法。提出的IAMBS算法允许装箱有一定的松弛量,使用随机思想搜索局部最优,进而获得装箱问题的全局最优解。随机松弛量使该算法不易陷入局部最优,具有较强的发现全局最优解的能力。采用来自两个数据集的1410个基准测试实例进行实验。最终,IAMBS算法获得了1152个实例的最优解。实验数据表明,IAMBS算法可以有效地获得近似最优解,比经典装箱算法更有优势。

IaaS云环境下一种基于综合满意度的虚拟机放置策略

基础设施即服务(IaaS)环境下的一个关键需求是对租户申请的虚拟机进行合理放置。当前虚拟机放置策略的研究大都集中在数据中心能耗、资源损耗以及负载均衡等方面,很少有工作关注其对租户虚拟机启动时间的影响。为了减少虚拟机请求的周转时间,降低数据中心的资源损耗,本文首先建立了云服务租户满意度模型,给出了虚拟机请求到达云端后周转时间的量化方法;然后基于数据中心的资源损耗建立了云服务提供商满意度模型;最后,基于租户虚拟机启动时间与系统资源损耗建立了多目标约束优化模型,并提出了一种基于综合满意度(Comprehensive Satisfaction Based,CS-B)的虚拟机放置策略,该策略综合考虑了云服务租户与云服务提供商的需求,将租户所申请的虚拟机放置到综合满意度最高的服务器中运行。在OpenStack云平台上的仿真实验表明,CS-B虚拟机放置策略能够有效减少租户虚拟机在云端的部署时间,降低数据中心的资源损耗,有效提高了云服务商及租户的满意度。

基于深度强化学习的移动边缘计算任务卸载研究

在移动边缘计算中,本地设备可以将任务卸载到靠近网络边缘的服务器上进行数据存储和计算处理,以此降低业务服务的延迟和功耗,因此任务卸载决策具有很大的研究价值.首先构建了大规模异构移动边缘计算中具有多服务节点和移动任务内部具有多依赖关系的卸载模型;随后结合移动边缘计算的实际应用场景,提出利用改进的深度强化学习算法优化任务卸载策略;最后通过综合比较任务卸载策略的能耗、成本、负载均衡、延迟、网络使用量和平均执行时间等指标,分析了各卸载策略的优缺点.仿真实验结果表明,基于长短期记忆(long short-term memory,LSTM)网络和事后经验回放(hindsight experience replay,HER)改进的HERDRQN算法在能耗、费用、负载均衡和延迟上都有很好的效果.另外利用各算法策略对一定数量的应用进行卸载,通过比较异构设备在不同CPU利用率下的数量分布来验证卸载策略与各评价指标之间的关系,以此证明HERDRQN算法生成的策略在解决任务卸载问题中的科学性和有效性.

基于败者组与混合编码策略的NSGA-Ⅱ改进算法

在精英选择中NSGA-II的拥挤系数算子对局部拥挤区域的分布性优化效果不佳,并且会使某些更接近Pareto最优解集的个体被淘汰。针对拥挤系数算子存在优秀个体不被保留的缺陷,提出了一种基于败者组与混合编码策略的改进算法(LGHC-NSGA-II)。参照棋类比赛中的双败淘汰制,构建了败者组外部归档集,在迭代结束后将归档集与末代父代种群合并,并采用循环拥挤系数排序策略优化分布性。同时,针对传统编码方式在全局或局部空间上搜索能力较差的缺陷,提出了一种混合编码策略,有效地提高了算法的收敛性。基于ZDT系列问题上的测试结果表明,改进算法与8种多目标进化算法相比,在算法的收敛性、分布性与鲁棒性上均具有较高的优越性。

基于双估计器的改进Speedy Q-learning算法

Q-learning算法是一种经典的强化学习算法,更新策略由于保守和过估计的原因,存在收敛速度慢的问题。Speedy Q-learning算法和Double Q-learning算法是Q-learning算法的两个变种,分别用于解决Q-learning算法收敛速度慢和过估计的问题。文中基于Speedy Q-learning算法Q值的更新规则和蒙特卡洛强化学习的更新策略,通过理论分析及数学证明提出了其等价形式,从该等价形式可以看到,Speedy Q-learning算法由于将当前Q值的估计函数作为历史Q值的估计,虽然整体上提升了智能体的收敛速度,但是同样存在过估计问题,使得算法在迭代初期的收敛速度较慢。针对该问题,文中基于Double Q-learning算法中双估计器可以改善智能体收敛速度的特性,提出了一种改进算法Double Speedy Q-learning。其通过双估计器,分离最优动作和最大Q值的选择,改善了Speedy Q-learning算法在迭代初期的学习策略,提升了Speedy Q-learning算法的整体收敛速度。在不同规模的格子世界中进行实验,分别采用线性学习率和多项式学习率,来对比Q-learning算法及其改进算法在迭代初期的收敛速度和整体收敛速度。实验结果表明,Double Speedy Q-learning算法在迭代初期的收敛速度快于Speedy Q-learning算法,且其整体收敛速度明显快于对比算法,其实际平均奖励值和期望奖励值之间的差值最小。

强化学习下能耗优化的虚拟机放置策略

云数据中心的高速发展带来了非常强大的计算能力,但是伴随产生的能耗问题也日益严重。为了降低云数据中心内物理服务器的能耗开销,首先利用强化学习对虚拟机放置问题进行建模,随后结合实际问题从状态聚合和时间信度两个方面对Q-Learning(λ)算法进行优化,最后通过云仿真平台CloudSim和实际数据集对虚拟机放置问题进行实验。实验结果表明,与Q-Learning算法、Greedy算法和PSO算法相比,优化后的Q-Learning(λ)算法更有效地降低了物理服务器的能耗开销,同时针对不同数量的虚拟机放置请求也能够保证更好的结果,具有较强的实用价值。

基于逐次超松弛技术的Double Speedy Q-Learning算法

Q-Learning是目前一种主流的强化学习算法,但其在随机环境中收敛速度不佳,之前的研究针对Speedy Q-Learning存在的过估计问题进行改进,提出了Double Speedy Q-Learning算法。但Double Speedy Q-Learning算法并未考虑随机环境中存在的自循环结构,即代理执行动作时,存在进入当前状态的概率,这将不利于代理在随机环境中学习,从而影响算法的收敛速度。针对Double Speedy Q-Learning中存在的自循环结构,利用逐次超松弛技术对Double Speedy Q-Learning算法的Bellman算子进行改进,提出基于逐次超松弛技术的Double Speedy Q-Learning算法(Double Speedy Q-Learning based on Successive Over Relaxation,DSQL-SOR),进一步提升了Double Speedy Q-Learning算法的收敛速度。通过数值实验将DSQL-SOR与其他算法的实际奖励和期望奖励之间的误差进行对比,实验结果表明,所提算法比现有主流的算法SQL的误差低0.6,比逐次超松弛算法GSQL低0.5,这表明DSQL-SOR算法的性能较其他算法更优。实验同时对DSQL-SOR算法的可拓展性进行测试,当状态空间从10增加到1000时,每次迭代的平均时间增长缓慢,始终维持在10^(-4)数量级上,表明DSQL-SOR的可拓展性较强。

一种自适应优化松弛量的装箱算法

装箱问题是物流系统和生产系统中的一个经典而重要的数学优化问题。装箱指把一系列物品按照一定顺序放进具有固定容量的箱子中,并最小化所使用的箱子数量,以最大限度地获取装箱问题的近似最优解。然而,现有的装箱算法存在明显的缺陷。遗传算法计算量过大,甚至无法求出所需解,启发式算法无法处理极端值问题,而现有的改进算法即使在引入松弛量的情况下,也极易陷入局部最小值。文中提出的Adaptive-MBS算法采用自适应权重来改进原有方法,即允许方法有一定的松弛量,并具有捕捉物体样本空间随时间变化的直觉,以使用更好的松弛量策略来装箱。Adaptive-MBS算法首先以当前箱子为中心,使用Adaptive_Search搜索算法迭代找到适合箱子容量的集合中所有物体的子集,Adaptive_Search搜索算法不要求完全装满箱子,而是允许箱子具有一定的松弛量,在训练过程中根据当前状态的变化,实现自动地调整松弛量,在找到完全填满箱子的子集后迭代至下轮搜索直至遍历完成。该方法不易陷入局部最优,具有较强的发现全局最优解的能力。文中使用装箱问题中经典的BINDATA和SCH_WAE数据集进行实验,结果表明,数据集中多达991例问题可以通过Adaptive-MBS算法得到最优解。在没有求解出最优解的实例上,所提算法也在所有对比算法上具有最低的相对偏移量百分比。数值实验结果表明,相较于其他经典的装箱算法,Adaptive-MBS算法有更好的效果,其收敛速度也显著优于其他算法。

嵌入式系统虚拟仿真平台及实验

嵌入式系统实验课程存在硬件知识和动手操作门槛,造成学习效率低、教学效果差等问题。为解决这些问题,以Unity3D为开发工具,构建一种嵌入式系统的虚拟仿真平台,借由Unity3D游戏引擎,模拟嵌入式实验操作环境,建模嵌入式实验设备,并借助该虚拟仿真平台完成嵌入式系统实验。该虚拟仿真平台能够有效提供嵌入式Linux课程所需的实验环境和实验方法。基于虚拟仿真平台的嵌入式虚拟实验系统可有效降低嵌入式系统实验课程的学习难度并提升教学效果。

一种面向高校实验室的远程电能监控与管理方案

为实现高校实验室的远程实时监测与智能管理,提出了一种实验室电能实时监测与综合管理方案.方案由基于STM32微控制器的实验室电能实时监测与控制终端,以及基于Spring+Spring MVC+My Batis(SSM)框架的人性化Web客户端和管理端构成,解决了实验室用电设备的远程实时监测与智能管理问题.经软硬件联合测试,验证了系统的有效性、实时性、鲁棒性与准确性.